Formación en competencias digitales avanzadas e introducción al análisis y gestión de datos

Fecha de inicio: 7 de abril de 2025, fecha de finalización: 30 de mayo de 2025

• Se oferta a todos los alumnos de los másteres oficiales de la UNIA.
• Modalidad docente: online asíncrona. La docencia se llevará a cabo a través del Campus Virtual de la Universidad.
• Créditos: 3 ECTS.
• El alumno podrá contar con la ayuda de un tutor a lo largo de la duración del módulo que atenderá sus consultas on line.
• En este módulo se recurrirá, a modo de material complementario, a una serie de cursos ofrecidos por la Fundación Telefónica previamente seleccionados por la Dirección académica del programa. El alumno que culmine de manera satisfactoria todos o alguno de dichos cursos, recibirá la correspondiente certificación por parte de dicha Fundación.
  Guía docente del módulo:

T1. Introducción.

1. 1. El valor de los datos.
2. 2. Tipos de datos.
3. 3. Técnicas asociadas al análisis de datos.
4. 4. Tipologías: aprendizaje estadístico, aprendizaje automático, econometría, aprendizaje supervisado y no supervisado.
5. 5. Software para el análisis estadístico.

T2. Introducción al Big Data.

1. 1. Antecedentes del Big Data.
2. 2. Tecnologías del Big Data.
3. 3. Datos y objetivos del gobierno del dato.
4. 4. Estrategias de datos.
5. 5. Introducción a la Inteligencia Artificial.
6. 6. Estrategias de visualización.

T3. Introducción a Stata.

1. 1. Ventanas y ficheros.
2. 2. Preparando Stata para trabajar.
3. 3. Cargando la base de datos.
4. 4. Estructura de los comandos.
5. 5. Diccionarios.
6. 6. Gestión de variables.
7. 7. Fusiones verticales y horizontales.

T4. Estadística básica con Stata.

1. 1. Estadísticos univariantes.
2. 2. Estadística bivariante.

T5. Regresión.

1. 1. Supuestos básicos.

9

1. 2. Interpretación de coeficientes.
2. 3. Contrastes de significatividad.
3. 4. Postestimación.
4. 5. Modelos de elección discreta.

T6. Aprendizaje no supervisado.

1. 1. Clustering.

• Similitud, distancia y métricas.
• Condiciones.
• Métodos jerárquicos: cluster.
• Métodos no jerárquicos: kmeans.
• Interpretación.
• Bondad.

1. 2. Análisis factorial y de componentes principales.

• Condiciones.
• Reducción de datos.
• Interpretación de la solución.
• Soluciones rotadas.

Fecha de inicio: 7 de abril de 2025, fecha de finalización: 30 de mayo de 2025

• Se oferta a todos los alumnos de los másteres oficiales de la UNIA.
• Modalidad docente: online asíncrona. La docencia se llevará a cabo a través del Campus Virtual de la Universidad.
• Créditos: 3 ECTS.
• El alumno podrá contar con la ayuda de un tutor a lo largo de la duración del módulo que atenderá sus consultas on line.
• En este módulo se recurrirá, a modo de material complementario, a una serie de cursos ofrecidos por la Fundación Telefónica previamente seleccionados por la Dirección académica del programa. El alumno que culmine de manera satisfactoria todos o alguno de dichos cursos, recibirá la correspondiente certificación por parte de dicha Fundación.
  Guía docente del módulo:

T1. Introducción.

1. 1. El valor de los datos.
2. 2. Tipos de datos.
3. 3. Técnicas asociadas al análisis de datos.
4. 4. Tipologías: aprendizaje estadístico, aprendizaje automático, econometría, aprendizaje supervisado y no supervisado.
5. 5. Software para el análisis estadístico.

T2. Introducción al Big Data.

1. 1. Antecedentes del Big Data.
2. 2. Tecnologías del Big Data.
3. 3. Datos y objetivos del gobierno del dato.
4. 4. Estrategias de datos.
5. 5. Introducción a la Inteligencia Artificial.
6. 6. Estrategias de visualización.

T3. Introducción a Stata.

1. 1. Ventanas y ficheros.
2. 2. Preparando Stata para trabajar.
3. 3. Cargando la base de datos.
4. 4. Estructura de los comandos.
5. 5. Diccionarios.
6. 6. Gestión de variables.
7. 7. Fusiones verticales y horizontales.

T4. Estadística básica con Stata.

1. 1. Estadísticos univariantes.
2. 2. Estadística bivariante.

T5. Regresión.

1. 1. Supuestos básicos.

9

1. 2. Interpretación de coeficientes.
2. 3. Contrastes de significatividad.
3. 4. Postestimación.
4. 5. Modelos de elección discreta.

T6. Aprendizaje no supervisado.

1. 1. Clustering.

• Similitud, distancia y métricas.
• Condiciones.
• Métodos jerárquicos: cluster.
• Métodos no jerárquicos: kmeans.
• Interpretación.
• Bondad.

1. 2. Análisis factorial y de componentes principales.

• Condiciones.
• Reducción de datos.
• Interpretación de la solución.
• Soluciones rotadas.